Técnicas de inteligência artificial para reconhecimento de sepse em ambientes hospitalares: revisão integrativa

Everton Osnei Cesario, Cristiane Yumi Nakamura, Yohan Bonescki Gumiel, Deborah Ribeiro Carvalho


A sepse é uma inflamação generalizada com elevada morbidade e mortalidade, cujo reconhecimento e tratamento precoce são fatores essenciais para uma melhor qualidade de vida para o paciente; caso não seja identificada e tratada rapidamente, poderá levar a óbito. Este artigo de revisão integrativa objetiva identificar as técnicas baseadas em inteligência artificial adotadas, sua respectiva acurácia, sensibilidade e especificidade para a identificação precoce nos casos de sepse em ambiente hospitalar. A pesquisa, adaptada do método PRISMA, foi realizada em cinco bases de dados indexadas a partir dos seguintes descritores: sepse, septic, sepsis, forecasting, predict, prediction, detection, predicting, diagnosis, assessment, machine learning, artificial intelligence, data mining e deep learning. Foram identificados 333 artigos, sendo 21 com referência ao reconhecimento precoce da sepse por meio de 16 técnicas. Os resultados demonstram que as redes neurais tiveram melhor desempenho, variando a acurácia entre 76% e 93%, as árvores de decisão entre 69,0% e 91,5% e os métodos estatísticos entre 56% e 89%. Conclui-se que o fator mais influente na identificação precoce do diagnóstico são a variedade e a qualidade dos dados. Também se evidencia o desafio em relação ao pré-processamento, visto que os dados em geral são oriundos de fontes heterogêneas, coletados com critérios, métodos e objetivos distintos.


Sepse; Inteligência artificial; Modelo preditivo; Machine learning.

Texto completo:



Altman, D. G., Moher, D., Liberati, A., & Tetzlaff, J. (Julho de 2009). Preferred Reporting Items for Systematic Reviews and Meta-Analyses: The PRISMA Statement. PLOS Medicine.

Ashal, G. E., Baratloo, A., Hosseini, M., & Negida, A. (2015). Simple Definition and Calculation of Accuracy, Sensitivity and Specificity.

Beale, R., Reinhart, K., Brunkhorst, F. M., Dobb, G., Levy, M., Martin , G., . . . Williams, M. D. (2009). Promoting Global Research Excellence in Severe Sepsis (PROGRESS): Lessons from an International Sepsis Registry. Infection 37, pp. 222-32.

Calvert, J. S., Price, D. A., Chettipaly, U. K., Barton, C. W., Feldman, M. D., Hoffman, J. L., & Jay, M. (2016). A computational approach to early sepsis detection.

Faisal, M., Scally, A., Richardson, D., Beatson, K., Howes, R., Speed, K., & Mohammed, A. M. (Abril de 2018). Development and External Validation of an Automated Computer-Aided Risk Score for Predicting Sepsis in Emergency Medical Admissions Using the Patient’s First Electronically Recorded Vital Signs and Blood Test Results. Society of Critical Care Medicine and Wolters Kluwer Health.

Ghalwash, M., Radosavljevic, V., & Obradovic, Z. (2013). Early Diagnosis and Its Benefits in Sepsis Blood Purification Treatment. IEEE International Conference on Healthcare Informatics.

Ghosh, S., Li, J., Cao, L., & Ramamohanarao, K. (2016). Septic shock prediction for ICU patients via coupled HMM walking on sequential contrast patterns.

Guillén, J., Liu, J., Furr, M., Wang, T., Strong, S., Moore, C. C., . . . Barnes , L. E. (2015). Predictive Models for Severe Sepsis in Adult ICU Patients. IEEE Systems and Information Engineering Design Symposium.

Gultepe, E., Green, J. P., Nguyen, H., Adams, J., Albertson, T., & Tagkopoulos, I. (2013). From vital signs to clinical outcomes for patients with sepsis: a machine learning basis for a clinical decision support system.

Gultepe, E., Nguyen, H., Albertson, T., & Tagkopoulos, I. (2012). A Bayesian network for early diagnosis of sepsis patients: a basis for a clinical decision support system.

Hall, M. J., Willians, S. N., & A. G. (2011). Inpatient Care for Septicemia or Sepsis: A Challenge for Patients and Hospitals.

Henry, K. E., Hager, D. N., Pronovost, P. J., & Saria, S. (2015). A targeted real-time early warning score (TREWScore) for septic shock. Science Translational Medicine.

Horng, S., Sontag, D. A., Halpern, Y., Jernite, Y., Shapiro, N., & Nathanson, L. (2017). Creating an automated trigger for sepsis clinical decision support at emergency department triage using machine learning. Garvan Institute of Medical Research.

Jiang, Y., Tan, P., Song, H., Wan, B., Hosseini, M., & Sha, L. (2016). A Self-Adaptively Evolutionary Screening Approach for Sepsis Patient. IEEE.

Kam, H. J., & Kim, H. Y. (2017). Learning representations for the early detection of sepsis with deep neural networks. Computers in Biology and Medicine, pp. 248–255.

Kaukonen, K. M., Bailey, M., Pilcher, D., Cooper, D., & Bellomo, R. (2015). Systemic Inflammatory Response Syndrome Criteria in Defining Severe Sepsis. The New England Journal of Medicine, 10-17.

Kosh, G., & Landis, R. J. (Março de 1977). The measurement of observer agreement for categorical data. pp. 159-174.

Kumar, A., Roberts, D., Wood, K. E., Light, B., Parrillo, J. E., Sharma, S., . . . Cheang, M. (2006). Duration of hypotension before initiation of effective antimicrobial therapy is the critical determinant of survival in human septic shock. Critical care medicine.

Lamping , F., Jack, T., Rubsamen, N., Sasse, M., Beerbaum, P., Mikolajczyk, R. T., . . . Karch, A. (2018). Development and validation of a diagnostic model for early differentiation of sepsis and non-infectious SIRS in critically ill children - a data-driven approach using machine learning. BMC Pediatrics.

Mao, Q., jay , M., Hoffman, J. L., Calvert, J., Barton, C., Shimabukuro, D., . . . Das, R. (2017). Multicentre validation of a sepsis prediction algorithm using only vital sign data in the emergency department,general ward and ICU. bmjopen.

Mitchell, S., Schinkel, K., Song, Y., Wang, Y., Ainsworth, J., Halbert, T., . . . Barnes, L. (2016). Optimization of Sepsis Risk Assessment for Ward Patients. IEEE Systems and Information Engineering Design Conference.

Nemati, S., Holder, A., Razmi, F., Stanley, M., Clifford, G. D., & Buchman, T. G. (2017). An Interpretable Machine Learning Model for Accurate Prediction of Sepsis in the ICU. Critical Care Medicine.

Parente, J. D., Lee, D., Lin, J., Chase, G. J., & Shaw, G. M. (2010). A Fast and Accurate Diagnostic Test for Severe Sepsis Using Kernel Classifiers.

Parikh, R., Mathai, A., Parikh, S., Sekhar, C., & Thomas, R. (Janeiro de 2008). Understanding and using sensitivity, specificity and predictive values. pp. 45-50.

Purushotham, S., Meng, C., Che, Z., & Lui, Y. (2018). Benchmarking deep learning models on large healthcare datasets. Journal of Biomedical Informatics, pp. 112–134.

Rothman, M., Levy, M., Dellinger, P. R., Jones, S. L., Robert, F. L., Voelker, K. G., . . . Beals, J. (2017). Sepsis as 2 problems: Identifying sepsis at admission and predicting onset in the hospital using an electronic medical record–based acuity score. Journal of Critical Care 38, pp. 237–244.

Schuh, C. J. (2007). Sepsis and Septic Shock Analysis using Neural Networks. IEEE.

Seymour, W. C., Liu, X. V., Iwashyna, J. T., Brunkhorst, M. F., Rea, D. T., Sherag, a., . . . Angus, C. D. (2016). Assessment of Clinical Criteria for Sepsis For the Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). American Medical Association, 13.

Shashikumar, P. S., Li, Q., Clifford, G. D., & Nemati, S. (2017). Multiscale network representation of physiological time series for early prediction of sepsis. Institute of Physics and Engineering in Medicine - Physiol. Meas. 38, pp. 2235–2248.

Simundic, A. (Janeiro de 2009). Measures of Diagnostic Accuracy: Basic Definitions. The Journal of the International Federation of Clinical Chemistry and Laboratory Medicine.

Taylor, A. R., Pare, J. R., Venkatesh, A. K., Mowafi, H., Melnick, E. R., Fleischman, W., & Hall, K. M. (2015). Prediction of In-hospital Mortality in Emergency Department Patients With Sepsis: A Local Big Data–Driven, Machine Learning Approach. Society for Academic Emergency Medicine.

Viana, R. A., Machado, F. R., & Souza, J. L. (2017). SEPSE: UM PROBLEMA DE SAÚDE PÚBLICA. A atuação e colaboração da Enfermagem na rápida identificação e tratamento da doença. São Paulo.

Wang, X., Wang, Z., Weng, J., Wen, C., Chen, H., & Wang, X. (2018). A New Effective Machine Learning Framework for Sepsis Diagnosis. IEEE.

Wyk, F. V., Khojandi, A., & Kamaleswaran, R. (Novembro de 2017). How much data should we collect A case study in sepsis detection using deep learning. IEEE Healthcare Innovations and Point of Care Technologies (HI-POCT).

Zhang, Y., Lin, C., Chi, M., Ivy, C., & Huddleston, M. ,. (2017). LSTM for Septic Shock: Adding Unreliable Labels to Reliable Predictions. IEEE International Conference on Big Data (BIGDATA).

DOI: https://doi.org/10.5585/rgss.v9i1.13932


  • Não há apontamentos.

Direitos autorais 2020 Revista de Gestão em Sistemas de Saúde

Licença Creative Commons
Esta obra está licenciada sob uma licença Creative Commons Atribuição - Não comercial - Sem derivações 4.0 Internacional.


Revista de Gestão em Sistemas de Saúde (RGSS)
e-ISSN: 2316-3712

Licença Creative Commons
Este obra está licenciado com uma Licença 
Creative Commons Atribuição-NãoComercial-CompartilhaIgual 4.0 Internacional.